{"id":30638,"date":"2024-11-18T13:04:28","date_gmt":"2024-11-18T12:04:28","guid":{"rendered":"https:\/\/www.codemotion.com\/magazine\/?p=30638"},"modified":"2024-11-18T13:04:29","modified_gmt":"2024-11-18T12:04:29","slug":"da-programmatori-junior-a-senior-con-chatgpt","status":"publish","type":"post","link":"https:\/\/www.codemotion.com\/magazine\/it\/intelligenza-artificiale\/da-programmatori-junior-a-senior-con-chatgpt\/","title":{"rendered":"Da programmatori junior a senior con ChatGPT"},"content":{"rendered":"\n

Cosa sia l’AI e cosa sia ChatGPT <\/a>lo sappiamo tutti. Ognuno di noi ha scritto valanghe di prompt per ottenere risposte da ChatGPT<\/a>, con risultati pi\u00f9 o meno soddisfacenti.\u00a0<\/p>\n\n\n\n

Per capire al meglio come ChatGPT possa aiutarci a diventare programmatori senior, dobbiamo prima comprendere cosa sia l’ingegneria dei prompt<\/strong> e perch\u00e9 sia cos\u00ec importante e quali siano gli ambiti in cui un LLM (Large Language Model) come ChatGPT o altri possano aiutarci a crescere professionalmente.\u00a0<\/p>\n\n\n\n

Esperienza sul campo <\/h2>\n\n\n\n

Quello che sto per scrivere nasce dall’esperienza di mesi di utilizzo di ChatGPT, GitHub <\/a>copilot, Claudie e altri LLM, e da una serie di letture e studi sull’argomento, sono sicuro che fra qualche mese verr\u00f2 smentito ed usciranno, o sono gi\u00e0 usciti e non li utilizzo, strumenti migliori che aiutano in modo ancora pi\u00f9 importante gli sviluppatori (e non solo) a crescere professionalmente.\u00a0<\/p>\n\n\n\n

Sicuramente qualcuno fra di voi utilizza strumenti diversi da quelli che uso io<\/strong>, ma proviamo a concentrarci su quello che possiamo far fare a tool di questo genere e non su quale sia il migliore, altrimenti si innesca una guerra infinita su quale sia il migliore e sono sicuro che nessuno ne uscirebbe vincitore.\u00a0<\/p>\n\n\n\n

Comprendere ChatGPT e in modo pi\u00f9 ampio i LLM <\/h2>\n\n\n\n

Partiamo dal principio: ChatGPT \u00e8 un chatbot di intelligenza artificiale (AI) che utilizza l’elaborazione del linguaggio naturale per creare un dialogo conversazionale simile a quello umano.<\/strong> Il modello linguistico pu\u00f2 rispondere a domande e comporre vari contenuti scritti, tra cui articoli, post sui social media, saggi, codice e e-mail, rendendolo uno strumento entusiasmante per programmatori di tutti i livelli.\u00a0<\/p>\n\n\n\n

Si tratta quindi di un modello che non ragiona<\/strong>, ma \u00e8 in grado di applicare in maniera molto efficace le regole che gli sono state insegnate durante il training<\/strong>. Questo significa che se gli diamo un input sbagliato<\/strong>, otterremo un output sbagliato<\/strong>, ma se diamo un input corretto, otterremo un output corretto.\u00a0<\/strong><\/p>\n\n\n\n

Allo stesso modo, se utilizziamo un LLM che ha utilizzato dei dataset con errori<\/strong>, di conseguenza avremo un output con errori.\u00a0<\/strong><\/p>\n\n\n\n

Oltre a questo i modelli tentano sempre di dare delle risposte e di conseguenza esiste una percentuale di risposte, pi\u00f9 o meno grandi, che saranno sempre sbagliate<\/strong>, inventate o comunque non corrette.\u00a0<\/p>\n\n\n\n

Fissato questo punto iniziale, il cui scopo \u00e8 quello di focalizzare il tipo di strumento che stiamo tentanto di utilizzare, proviamo a capire quali sono gli ambiti in cui la soglia d’errore \u00e8 pi\u00f9 alta<\/strong> e quali invece quelli in cui la soglia d’errore si abbassa e possiamo utilizzarlo con maggiore successo.\u00a0<\/strong><\/p>\n\n\n\n

Gli LLM non sono pensati per risolvere problemi o indovinelli <\/h2>\n\n\n\n

Gli LLM sono stati creati per rispondere a domande, scrivere articoli, scrivere codice,<\/strong> ma non <\/strong>sono stati creati per risolvere problemi o indovinelli<\/strong>. Questo significa che se gli diamo un problema, non sapr\u00e0 risolverlo<\/strong>, ma se gli diamo un problema gi\u00e0 risolto<\/strong>, sapr\u00e0 darci la soluzione.<\/strong><\/p>\n\n\n\n

Ogni volta che vedo un video dove qualcuno si diverte a proporre un indovinello a ChatGPT e poi si stupisce che non riesca a risolverlo<\/strong>, mi viene da ridere, perch\u00e9 \u00e8 come chiedere ad un bambino di 5 anni di risolvere un problema di fisica quantistica: sono test che non tengono conto delle capacit\u00e0 dell’interlocutore e del modo col quale \u00e8 stato pensato<\/strong>. Non aggiungono nessun valore e non dicono che il modello sia inadeguato, ma piuttosto stanno dimostrando che il “creator” di turno non ha capito come utilizzare il modello.\u00a0<\/p>\n\n\n\n

Limiti di conoscenza <\/h2>\n\n\n\n

Un altro punto importante da tenere in considerazione \u00e8 che gli LLM non hanno una conoscenza infinita,<\/strong> ma hanno una conoscenza limitata <\/strong>a quello che \u00e8 stato inserito nei dataset di training.<\/strong> Questo significa che se gli diamo un input che non \u00e8 presente nei dataset, non sapr\u00e0 rispondere.\u00a0<\/p>\n\n\n\n

Quando questa cosa accade spesso? Quando proviamo a chiedere a un LLM di darci informazioni rispetto a prodotti che non esistevano o erano appena usciti nel momento in cui il modello ha iniziato ad essere addestrato. <\/p>\n\n\n\n

Iniziano ad uscire delle mitigazioni a questo aspetto, come l’interrogazione in tempo reale della rete, il training continuo<\/strong>, ma sono tutte soluzioni che non risolvono il problema<\/strong>, ma al momento la mitigano, riuscendo in parte a dare delle risposte, ma in parte ancora maggiore ad inventarsele.\u00a0<\/p>\n\n\n\n

Non aspettatevi quindi di avere risposte da ChatGPT su prodotti che sono usciti da poco, su tecnologie che sono state rilasciate da poco, su eventi che sono accaduti da poco, perch\u00e9 non sapr\u00e0 rispondervi o se lo far\u00e0 sar\u00e0 con delle risposte inventate o di bassa qualit\u00e0.\u00a0<\/strong><\/p>\n\n\n\n

Dove possiamo avere dei risultati migliori? <\/h2>\n\n\n\n

Esistono una serie di modelli che non si basano solo su prompt, ma che si basano su una serie di dati che vengono forniti al modello e che permettono di avere delle risposte migliori<\/strong>. Questi modelli sono in grado di dare delle risposte migliori, perch\u00e9 hanno una conoscenza pi\u00f9 ampia e pi\u00f9 dettagliata rispetto a quella che pu\u00f2 avere un modello basato solo su prompt.\u00a0<\/p>\n\n\n\n

Un esempio di questi modelli \u00e8 GitHub Copilot<\/strong>, che \u00e8 in grado di dare delle risposte migliori rispetto a ChatGPT, perch\u00e9 ha una conoscenza pi\u00f9 ampia e pi\u00f9 dettagliata rispetto a quella che pu\u00f2 avere ChatGPT.\u00a0<\/p>\n\n\n\n

La conoscenza pi\u00f9 ampia \u00e8 data dal fatto che per generare un suggerimento viene analizzato il codice prima e dopo la posizione del cursore all’interno dell’editor, vengono utilizzati tutti i file aperti in quel momento dall’editor ed aggiungendo i repositori GitHub referenziati nel contesto.<\/strong> Tutti questi dati fanno parte dell’input inviato a Copilot e di conseguenza il codice suggerito non \u00e8 un semplice copia a incolla di qualcosa trovato nei dati di allenamento, ma \u00e8 codice che \u00e8 fortemente contestualizzato rispetto al contesto in cui viene utilizzato.\u00a0<\/p>\n\n\n\n

Facciamo un piccolo esempio, partendo da questo codice, che potrebbe essere scritto in qualsiasi linguaggio di programmazione: <\/p>\n\n\n

public<\/span> static<\/span> final<\/span> int UNO = 1<\/span>; \npublic<\/span> static<\/span> final<\/span> int DUE = 2<\/span>; \npublic<\/span> static<\/span> final<\/span> int TRE = 3<\/span>;\npublic<\/span> static<\/span> final<\/span> int QUATTRO = 4<\/span>; \npublic<\/span> static<\/span> final<\/span> int CINQUE = 5<\/span>; \npublic<\/span> static<\/span> void main(String[] args) { \n \/\/ Dato il parametro cerco la corrispondenza rispetto alle statiche } <\/span><\/code><\/span>Code language:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
Soffermiamoci sul commento, che potrebbe essere scritto in qualsiasi linguaggio di programmazione, ma che \u00e8 molto generico e non ci dice nulla di cosa si aspetta il programmatore<\/strong> che ha scritto il codice e non andrebbe bene se lo scrivessimo in un prompt per ChatGPT, perch\u00e9 non ci darebbe una risposta corretta.\u00a0<\/p>\n\n\n\n
In questo contesto invece Copilot \u00e8 in grado di capire che il commento \u00e8 riferito alle variabili statiche<\/strong> e di conseguenza ci suggerir\u00e0 un codice che fa esattamente quello che ci aspettiamo.<\/strong><\/p>\n\n\n
int parametro = Integer.parseInt(args[0<\/span>]); \nswitch<\/span> (parametro) { \n case<\/span> UNO: \n System.out.println(\"UNO\"<\/span>); \n break<\/span>; \n case<\/span> DUE: \n System.out.println(\"DUE\"<\/span>); \n break<\/span>; \n case<\/span> TRE: \n System.out.println(\"TRE\"<\/span>); \n break<\/span>; \n case<\/span> QUATTRO: \n System.out.println(\"QUATTRO\"<\/span>); \n break<\/span>; \n case<\/span> CINQUE: \n System.out.println(\"CINQUE\"<\/span>); \n break<\/span>; \n default<\/span>: \n System.out.println(\"Nessuna corrispondenza\"<\/span>); \n} <\/code><\/span>Code language:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Capisco che a questo punto moltissimi di voi si staranno dicendo: “il codice \u00e8 troppo semplice”<\/em>, “si poteva fare di meglio”<\/strong> e avete ragione, ma il punto non \u00e8 quello, il punto \u00e8 che Copilot \u00e8 in grado di capire il contesto e di dare una risposta corretta<\/strong>, mentre ChatGPT non sarebbe in grado di farlo<\/strong>, a meno di non scrivere un prompt molto pi\u00f9 esteso di quel commento minimale inserito all’interno del codice.\u00a0<\/p>\n\n\n\n
Contestualizzare la domanda o l’aiuto che si vuole ottenere da un enorme vantaggio rispetto a scrivere un prompt generico, perch\u00e9 permette al modello di capire meglio cosa si aspetta<\/strong> da lui e di conseguenza di dare una risposta migliore.\u00a0<\/p>\n\n\n\n
Comprensione del codice <\/h2>\n\n\n\n
Spesso ci troviamo di fronte a codice che non abbiamo scritto noi e che non conosciamo,<\/strong> ma che dobbiamo modificare o estendere. In questi casi \u00e8 molto utile avere un modello che ci aiuti a capire cosa fa il codice e come funziona.\u00a0<\/strong><\/p>\n\n\n\n
Un programmatore senior<\/strong> normalmente non ha grossi problemi nella comprensione del codice, <\/strong>ma abbassando il livello a junior o semplicemente uscendo dalla confort zone del senior, ci si rende conto che non \u00e8 cos\u00ec scontato capire cosa fa un pezzo di codice scritto da qualcun altro.\u00a0<\/strong><\/p>\n\n\n\n
I modelli LLM ci possono aiutare in questa fase, perch\u00e9 sono in grado di analizzare il codice e di darci una spiegazione di cosa fa e come funziona.<\/strong> Questo ci permette di capire meglio il codice e di riuscire a modificarlo o estenderlo in modo pi\u00f9 efficace.\u00a0<\/p>\n\n\n\n
Anche in questo caso la contestualizzazione \u00e8 molto importante, ma proviamo comunque ad affrontare il problema con un prompt generico e vediamo cosa succede. <\/p>\n\n\n\n
public static<\/span> boolean matchesURI(URI uri1, URI uri2) \n { \n String<\/span> scheme = uri1.getScheme(); \n if<\/span> (scheme.equalsIgnoreCase(uri2.getScheme())) \n { \n if<\/span> (uri1.getHost().equalsIgnoreCase(uri2.getHost())) \n { \n \/\/ Handle default HTTP ports. <\/span>\n int thisPort = HttpClient.normalizePort(scheme, \nuri1.getPort()); \n int thatPort = HttpClient.normalizePort(scheme, \nuri2.getPort()); \n if<\/span> (thisPort == thatPort) \n { \n \/\/ Use decoded URI paths. <\/span>\n return<\/span> uri2.getPath().startsWith(uri1.getPath()); \n } \n } \n } \n return<\/span> false<\/span>; \n } <\/code><\/span>Code language:<\/span> JavaScript<\/span> (<\/span>javascript<\/span>)<\/span><\/small><\/pre>\n\n\n
Proviamo ora a chiedere a Claude (ma sarebbe la stessa cosa con altri LLM) di spiegarci cosa fa questa funzione.\u00a0<\/p>\n\n\n\n
Mi descrivi questo codice: 
<\/em><codice> <\/p>\n\n\n\n
In risposta avremo:<\/p>\n\n\n\n
Questo codice definisce un metodo statico chiamato `matchesURI` che confronta due oggetti URI (Uniform Resource Identifier) per determinare se corrispondono secondo criteri specifici. Ecco una descrizione dettagliata del funzionamento: <\/em><\/p>\n\n\n\n
    \n
  1. Il metodo prende due parametri: `uri1` e `uri2`, entrambi di tipo URI.\u00a0<\/em><\/li>\n\n\n\n
  2. Confronta prima gli schemi (protocolli) dei due URI:\u00a0<\/em>\n
Partiamo da questa funzione presa dal repository https:\/\/github.com\/jetty\/jetty.project\u00a0<\/a><\/p>\n\n\n